时间序列分解随笔

时间序列分解

对于时间序列来说，传统的时间序列预测模型对于不平稳的数据是不能进行处理的，需要对时间序列进行分解，使得时间序列区域平稳，才可以进行时间序列的模拟预测。本次采用python的seasonal_decompose分解来进行时间序列的分解。

工作环境

python3.6、statsmodels库、pandas库、matplotlib库。

时间序列分解

1. 导入包

from statsmodels.tsa.seasonal import seasonal_decompose
import pandas as pd
from matplotlib import pyplot

比较简单，不再详解。

2. 数据读取与预处理

# 如果数据中表示时间的字段类型不为时间，则可用以下代码
# dateparse = lambda dates: pd.datetime.strptime(dates, '%Y-%m')
# data1 = pd.read_excel("123.xlsx",sheet_name="Sheet4",parse_dates=['time'], index_col='time',date_parser=dateparse)

data1 = pd.read_excel("123.xlsx",sheet_name="Sheet4",parse_dates=['time'], index_col='time')
data1 = data1["test"]

如果数据中，表示时间的序列不是datetime类型的，可以运行前两段代码，解决问题。如果时间的序列是datetime类型的，就用最下面的代码就可以。parse_dates可以找到时间序列，index_col可以让时间序列成为index。我的示例数据如下：
利用data1 = data1[“test”]，可以拿出来【time，test】（其中Time为index）的2D序列。这就是statsmodels库支持的序列。

3. 数据计算与显示

decomposition = seasonal_decompose(data1["test"])  #变量为pandas时间序列数据
decomposition.plot()
pyplot.show()

decomposition即为计算出的时间序列分解的集合。利用plot可以进行可视化。

4. 数据存储

trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid

a = pd.DataFrame({
     
    'trend_2': decomposition.trend,
    'seasonal_2': decomposition.seasonal
})
a.to_excel("path")

最终利用方法把数据输出到path中。